KR102172361B1 - 불량 검출 장치 및 방법 - Google Patents
불량 검출 장치 및 방법 Download PDFInfo
- Publication number
- KR102172361B1 KR102172361B1 KR1020180152541A KR20180152541A KR102172361B1 KR 102172361 B1 KR102172361 B1 KR 102172361B1 KR 1020180152541 A KR1020180152541 A KR 1020180152541A KR 20180152541 A KR20180152541 A KR 20180152541A KR 102172361 B1 KR102172361 B1 KR 102172361B1
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- location
- unit
- thickness direction
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims description 19
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000005204 segregation Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 229910001018 Cast iron Inorganic materials 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- CADICXFYUNYKGD-UHFFFAOYSA-N sulfanylidenemanganese Chemical compound [Mn]=S CADICXFYUNYKGD-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
실시 예는, 피검사체의 이미지가 입력되는 입력부; 상기 피검사체의 이미지를 이용하여 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제1 추출부; 및 상기 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 판별 모델에 입력하여 상기 피검사체의 불량을 판단하는 판단부를 포함하고, 상기 판별 모델은 상기 피검사체의 두께 방향으로 결함 위치에 의해 후보 불량 종류후보 불량 종류를 출력하고, 길이 방향으로 결함 위치에 의해 최종 불량 종류를 출력하는 불량 검출 장치를 개시한다.
Description
실시 예는 불량 검출 장치 및 방법에 관한 것이다.
후판의 사용환경이 가혹해지고 수요가의 품질에 대한 요구수준이 높아짐에 따라 출하전 후판의 내부품질에 대해서도 보다 높은 수준의 품질관리가 필요해지고 있다.
후판의 내부품질을 확인하기 위하여 종래부터 사용되어 오던 기술로는 초음파 탐상기술을 들 수 있다. 후판 내부 품질 검사용 초음파 탐상기술은 서로 다른 특성(특히 밀도)를 가지는 매질의 경계내에서 음파가 반사되는 현상을 이용하여 시편의 내부에 후판과 다른 매질, 다른 말로 표현하면 결함이 존재하는지 여부를 검사하는 기술이다.
이러한 원리를 후판 내부 품질 검사에 이용하면 다음과 같은 결과를 얻을 수 있다. 즉, 후판내부에 개재물이나 공공(void) 등이 존재할 경우 후판과 상기 개재물이나 공공 등과의 계면에서 음파가 반사되는 현상이 발생한다. 이렇게 반사된 초음파는 탐촉자에 의해 그 위치와 강도 등의 정보와 함께 감지되게 된다.
종래에는 상기 2차원 화면은 전적으로 작업자의 육안 및 경험에 의해 결과가 판독되어 합격/불합격 여부와 함께 기록되고 필요할 경우 전공정 또는 후공정으로 그 결과가 송출되도록 하는 것이 고작이었다.
이에, 결과의 정확도와 재현성이 낮다는 문제가 존재하며, 결과를 단순히 합격과 불합격으로 분류하기 때문에 전공정으로 피드백하더라도 적절한 대책을 세우기 어려운 한계가 존재한다.
실시 예는 후판의 불량을 용이하게 판단하는 불량 검출 장치 및 방법을 제공한다.
또한, 불량을 타공정에 피드백 내지 피드포워드하여 불량율을 감소하는 불량 검출 장치 및 방법을 제공한다.
실시 예에서 해결하고자 하는 과제는 이에 한정되는 것은 아니며, 아래에서 설명하는 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 포함된다고 할 것이다.
실시예에 따른 불량 검출 장치는 피검사체의 이미지가 입력되는 입력부; 상기 피검사체의 이미지를 이용하여 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제1 추출부; 및 상기 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 판별 모델에 입력하여 상기 피검사체의 불량을 판단하는 판단부를 포함하고, 상기 판별 모델은 상기 피검사체의 두께 방향으로 결함 위치에 의해 후보 불량 종류후보 불량 종류를 출력하고, 길이 방향으로 결함 위치에 의해 최종 불량 종류를 출력한다.
상기 판단부는, 학습 이미지를 획득하는 데이터 획득부; 상기 학습 이미지로부터 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제2 추출부; 상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치에 대하여 기계 학습을 통해 피검사체의 불량 종류를 판단하는 판별 모델을 생성하는 학습부; 및 상기 제1 추출부로부터 추출된 결함 위치를 상기 판별 모델에 입력하여 상기 피검사체의 불량 종류를 판단하는 처리부;를 포함할 수 있다.
상기 제2 추출부에서 추출된 상기 두께 방향으로 결함 위치는 피검사체의 두께를 4등분하는 제1 내지 제3 가상선과 결함의 대응 위치로 분리될 수 있다.
상기 판별 모델은, 상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 입력 데이터로 사용하고, 불량 종류를 출력 데이터로 사용할 수 있다.
상기 판별 모델은 CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함할 수 있다.
상기 피검사체는 후판이고, 상기 이미지는 탐상 이미지일 수 있다.
실시 예에 따르면, 후판의 탐상 이미지를 통해 용이하게 불량 여부 및 불량 종류를 판단할 수 있다.
또한, 불량 종류에 따라 타공정 예컨대, 제강, 연주, 후판 공정에 용이하게 피드백 등을 제공할 수 있다.
또한, 제조 경비 저감 및 불량율을 감소시킬 수 있다.
본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 불량 검출 장치의 블록도이고,
도 2는 후판의 탐상 이미지를 얻는 탐상 이미지 장치의 개념도이고,
도 3은 실시예에 따른 후판의 사시도이고,
도 4는 실시예에 따른 판단부의 동작을 설명하는 도면이고,
도 5 내지 도 9는 후판의 불량 종류 별 결함의 위치를 나타낸 이미지이고,
도 10는 본 발명의 실시예에 따른 불량 검출 방법의 흐름도이다.
도 2는 후판의 탐상 이미지를 얻는 탐상 이미지 장치의 개념도이고,
도 3은 실시예에 따른 후판의 사시도이고,
도 4는 실시예에 따른 판단부의 동작을 설명하는 도면이고,
도 5 내지 도 9는 후판의 불량 종류 별 결함의 위치를 나타낸 이미지이고,
도 10는 본 발명의 실시예에 따른 불량 검출 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제2, 제1 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 불량 검출 장치의 블록도이고, 도 2는 후판의 탐상 이미지를 얻는 탐상 이미지 장치의 개념도이고, 도 3은 실시예에 따른 후판의 사시도이고, 도 4는 실시예에 따른 판단부의 동작을 설명하는 도면이다.
먼저, 도 1을 참조하면, 본 발명의 실시예에 따른 불량 검출 장치(100)는 입력부(110), 제1 추출부(120), 판단부(130), 출력부(140)를 포함한다.
입력부(110)는 탐상 이미지 장치로부터 피검사체의 탐상 이미지를 수신할 수 있다. 실시예로, 피검사체는 후판일 수 있으므로, 입력부(110)는 후판의 탐상 이미지를 수신할 수 있다. 이하 후판으로 설명한다. 그리고 탐상 이미지는 길이, 폭 및 두께 방향을 기준으로 결함의 위치가 표시된 이미지일 수 있다.
도 2를 참조하면, 탐상 이미지 장치는 피검사체(3)의 하부에서 일정 거리 이격되어 피검사체(3)로 매질을 분사하는 노즐 케이스(2)와, 노즐 케이스(2) 내부에 설치되어 피검사체(3)로 초음파를 송수신하는 초음파 센서(1)를 포함할 수 있다.
구체적으로, 탐상 이미지 장치는 피검사체(3)로 입사된 초음파가 피검사체(3)에서 반사되어 되돌아오는 반사파가 수신할 수 있다. 그리고 탐상 이미지 장치는 수신된 반사파의 수신 시간차에 기초하여 피검사체(3)에서 결함의 위치를 검출할 수 있다. 이 때, 도 5 내지 도 9에서 후술하는 바와 같이 피검사체(3)인 후판에서 결함은 복수 개일 수 있으며, 수신 시간차에 따라 다양한 색상으로 나타날 수 있다. 예컨대, 설정된 수신 시간차의 범위에 따라 탐상 이미지 상에 노란색, 초록색, 빨간색 등으로 결함이 나타날 수 있다.
다시 도 1을 참조하면, 제1 추출부(120)는 입력된 후판의 탐상 이미지로부터 결함의 위치(이하 결함 위치에 대응함)를 추출할 수 있다. 이 때, 실시예에서 결함의 위치는 후판의 길이, 두께에 의해 분류될 수 있다. 이러한 결함의 위치는 후판의 불량을 구분할 수 있는 특징일 수 있다.
이 때, 도 3을 참조하면, 후판에서 후판의 이동 방향으로의 거리를 '길이'라 하고, 후판의 이동 방향에 수직한 방향이고 절단이 이루어지는 방향으로 거리를 '두께'라 하고, 이동 방향 및 절단이 이루어지는 방향에 모두 수직한 방향으로 거리를 '폭'이라 한다.
다시 도 1을 참조하여 설명하면, 제1 추출부(120)는 후판의 이미지에서 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치를 산출할 수 있다.
판단부(130)는 추출된 탐상 이미지의 결함 위치로부터 피검사체인 후판의 불량 종류를 판단할 수 있다. 이 때, 판단부(130)는 불량 후판의 탐상 이미지로부터 학습된 판별 모델에 의해 판단을 수행할 수 있다. 여기서, 불량 후판의 탐상 이미지는 판별 모델의 학습 데이터인 학습 이미지일 수 있으며, 이하 불량 후판의 탐상 이미지 또는 불량 후판의 이미지로 설명한다. 또한, 불량 종류는 편석, 헤드/테일(Head/Tail), 적색점, 절단면 및 개재물을 포함할 수 있다.
구체적으로, 판단부(130)는 데이터 획득부(131), 제2 추출부(132), 학습부(133) 및 처리부(134)를 포함할 수 있다.
데이터 획득부(131)는 불량 종류를 판단하기 위해 필요한 데이터를 획득할 수 있다. 실시예로, 데이터 획득부(131)는 불량 후판의 탐상 이미지를 획득할 수 있다.
제2 추출부(132)는 불량 후판의 탐상 이미지로부터 불량 종류를 판단하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 탐상 이미지로부터 불량 종류 별 탐상 이미지 상의 결함 위치를 추출할 수 있다.
그리고 결함의 위치는 후판의 길이, 두께에 의해 분류될 수 있다. 구체적으로, 제2 추출부(132)는 결함의 위치를 불량 후판의 길이 방향, 두께 방향 별로 분류할 수 있다. 이 때, 결함의 위치는 상술한 바와 같이 후판의 불량 종류를 판단할 수 있는 특징일 수 있다.
그리고 학습부(133)는 제2 추출부(132)에서 추출된 상기 특징(결함 위치)을 입력으로 기계 학습을 통해 불량 종류를 판단하는 판별 모델을 생성할 수 있다. 즉, 판별 모델은 결함의 위치를 기계 학습의 입력 데이터로 사용하고, 기계 학습을 통해 출력된 데이터로 사용할 수 있다.
실시예로, 입력 데이터는 결함 위치로, 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치로 분류될 수 있다. 구체적으로, 결함의 위치는 두께 또는 길이 방향으로 비율이 가장 큰 영역으로 설정될 수 있다. 또한, 결함은 상술하는 바와 같이 탐상 이미지에서 수신 시간차에 따라 다양한 색상으로 표시될 수 있으나, 불량 종류에 따라 설정되는 색상으로 표시될 수 있다. 예컨대, 결함은 수신 시간차가 가장 늦은 색상의 영역으로 선택될 수 있다. 또한, 입력 데이터에서 결함의 위치는 탐상 이미지의 각 픽셀의 좌표로 표시될 수 있으며, 상술한 색상은 R, G, B 값에 의해 선택될 수 있다. 예컨대, 채도, 명도 등에 의해 선택될 수 있다.
또한, 학습부(133)에서 판별 모델은 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 판별 모델로서 사용될 수 있다.
도 4를 참조하면, 이러한 판별 모델은 상술한 바와 같이 불량 후판의 탐상 이미지를 이용하여 학습된 모델일 수 있다. 즉, 판별 모델은 탐상 이미지의 각 특징(특징 1, 특징 2, ??)이 신경망(Neural Network)에 입력(예로, 입력 노드)되고, 신경망에 포함되는 적어도 하나의 층(layer)을 통해 불량 종류를 각각의 출력(fc1, fc, ??)을 출력하도록(예로, 출력 노드) 이루어질 수 있다.
또한, 이러한 판별 모델은 예컨대 특징을 입력으로 하는 지도 학습(supervised learning)을 통하여, 학습이 이루어질 수 있다. 그리고 복수개의 불량 후판의 탐상 이미지와 각 이미지에 해당하는 매핑 정보(예를 들면, 탐사 이미지의 특징들)를 이용하여 학습할 수 있다.
실시예로, 판별 모델은 두께 방향으로 결함 위치에 의해 후보 불량 종류를 출력할 수 있다. 즉, 판별 모델은 1차 적으로 후판의 이미지에서 두께 방향으로 결함 위치를 특징으로 후보 불량 종류를 산출할 수 있다.
먼저, 두께 방향으로 결함의 위치는 4개의 영역으로 분리하는 3개의 가상선을 기준으로 설정될 수 있다. 예컨대, 3개의 가상선은 후판의 두께를 4등분하는 제1 가상선(L1), 제2 가상선(L2), 및 제3 가상선(L3)을 포함할 수 있다(도 5 참조). 이 때, 제2 가상선(L2)은 제1 가상선(L1)과 제3 가상선(L3) 사이에 위치할 수 있다. 그리고 두께 방향으로 결함의 위치는 제1 가상선(L1) 및 제3 가상선(L3)에 인접한 경우와 제2 가상선(L2)에 인접한 경우로 분리될 수 있다.
이에 따라, 후보 불량 종류로 불량 종류 중 일부를 출력할 수 있다. 이러한 구성에 의하여, 실시예에 따른 불량 검출 장치는 후판의 두께 방향으로 결함 위치에 의한 공정상 오류를 먼저 용이하게 검출할 수 있다. 구체적으로, 판별 모델에 두께 방향으로 결함의 위치를 1차 특징으로 입력함으로써 후판의 초기 주편 및 말기 주편 중 어느 부분에 집중되는지를 우선적으로 출력할 수 있다. 예컨대, 판별 모델은 불량 종류에서 편석 또는 개재물을 출력할 수 있다. 이로써, 병렬적으로 배치된 복수 개의 특징에 의해 불량 종류를 판별하는 것보다 보다 빠르고 정확하게 최종적으로 불량 종류를 판별할 수 있다.
이후에, 판별 모델은 길이 방향으로 결함의 위치가 2차 특징으로 입력될 수 있다. 실시예로, 길이 발향으로 결함 위치는 길이 방향을 따라 소정의 폭 내에서 나란히 배치되는 경우, 길이 방향으로 양단에 배치되는 경우, 길이 방향으로 전체에 분산 배치되는 경우 및 일부 영역에만 배치되는 경우로 분리될 수 있다.
상술한 바와 같이, 판별 모델은 1차 특징에 의해 후보 불량 종류를 출력한 다음 상기 2차 특징을 이용하여 후보 불량 종류의 하위 결과를 최종 불량 종류로 출력할 수 있다. 예컨대, 후보 불량 종류가 편석인 경우 최종 불량 종류는 편석 불량, 헤드/테일 불량으로 판별될 수 있고, 후보 불량 종류가 개재물인 경우 최종 불량 종류는 적색점 불량, 절단면 불량, 개재물 불량으로 판별될 수 있다.
즉, 실시예에 따른 불량 검출 장치는 결함의 위치에 따른 불량 종류를 단계적으로 분리하고 이를 기계학습으로 학습하여 정확도 및 속도를 개선할 수 있다.
상술한 입력 데이터로서 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치에 대응하는 불량 종류는 이하 도 5 내지 도 9에서 후술한다.
예컨대, 학습부(133)는 결함 위치의 입력 데이터를 사용하여 불량 종류의 출력 데이터를 도출하기 위해, 가중치(weights, W1, ?? Wm), 바이어스(bias)를 계산하는 판별 모델을 포함할 수도 있다.
한편, 데이터 획득부(131), 제2 추출부(132), 학습부(133) 및 처리부(134) 중 적어도 하나는 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다.
예를 들어, 데이터 획득부(131), 제2 추출부(132), 학습부(133) 및 처리부(134) 중 적어도 하나는 인공 신경망을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예를 들어, CPU 또는 application processor) 또는 특정 기능을 위한 IP의 일부로 제작되어 전술한 각종 불량 검출 장치에 탑재될 수도 있다.
처리부(134)는 상술한 제1 추출부(120)의 특징을 판별 모델에 입력하여 후판의 불량 종류를 판단할 수 있다.
그리고 처리부(134)는 분류된 결과를 이용하여 기존의 특징 추출 모델의 업데이트 필요 여부를 판단할 수 있다. 업데이트가 필요하다고 판단된 경우에는 사용자 데이터를 이용하여 재 학습될 수 있다.
처리부(134)는 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
출력부(140)는 처리부(134)에서 판단된 후판의 불량 종류를 출력할 수 있다. 예컨대, 출력부(140)는 후판의 탐상 이미지로부터 대응하는 후판이 편석, 헤드/테일(Head/Tail), 적색점, 절단면 및 개재물 중 어느 하나인지를 출력할 수 있다.
이 때, 출력부(140)는 상술한 후판의 불량을 사용자 등에게 제공할 수 있다. 예컨대, 출력부(140)는 디스플레이 장치로서 액정 표시 장치(Liquid Crystal Display, LCD), 유기 전기 발광 다이오드(Organic Light Emitting Display, OLED) 또는 플라즈마 표시 패널(Plasma Display Panel, PDP) 등으로 구현될 수 있으나, 이에 한정되는 것은 아니다.
이에 따라, 사용자는 출력부(140)로부터 불량 종류를 용이하게 인지하여 해당 불량을 야기한 공정의 오류를 용이하게 진단할 수 있다.
도 5 내지 도 9는 후판의 불량 종류 별 결함의 위치를 나타낸 이미지이다. 그리고 도 5 내지 도 9 각각에서 (a)는 길이 및 폭을 기준으로 나타낸 이미지이고, (b)는 두께 및 폭을 기준으로 나타낸 이미지이다.
먼저, 도 5를 참조하면, 후판의 불량이 편석인 경우에는 두께 방향으로 결함 위치가 제2 가상선(L2)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 전체적으로 분산하여 배치될 수 있다. 이 때, 전체적으로 분산하여 배치된다는 것은 이미지에서 분할된 각 영역에서 결함의 개수가 소정의 개수를 초과하거나, 인접한 결함 간의 평균 이격 거리가 소정의 값 이하인 경우로 정의될 수 있다. 이에 따라, 실시예에 따른 불량 검출 장치는 후판이 편석인지 여부를 용이하게 판단할 수 있다. 그리고 이러한 편석은 초기주편에 집중되고 황화망간(MnS)층이 존재하며, 초기 압하구간을 단축하는 경우에 편석이 저하될 수 있다. 이에, 실시예에 따른 불량 검출 장치는 편석 및 초기 압하 구간의 단축을 출력으로 사용자에게 제공할 수 있다.
도 6을 참조하면, 후판의 불량이 개재물인 경우에는 두께 방향으로 결함 위치가 제1 가상선(L1) 및 제3 가상선(L3)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 전체적으로 분산하여 배치될 수 있다.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 개재물인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 개재물로 출력할 수 있다. 또한, 실시예에 따른 불량 검출 장치는 주조 말기에 조업자의 개입을 최소화하도록 사용자 등에게 피드백하여 개재물을 감소할 수 있다.
도 7을 참조하면, 후판의 불량이 적색점인 경우에는 두께 방향으로 결함 위치가 제1 가상선(L1) 및 제3 가상선(L3)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 일부 영역에 배치될 수 있다. 이 때, 일부 영역에 배치된다는 것은 이미지에서 결함의 개수가 소정의 개수보다 작은 경우일 수 있다.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 적색점인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 적색점으로 출력하여 사용자 등에게 제공할 수 있다.
도 8을 참조하면, 후판의 불량이 헤드/테일(head/tail)인 경우에는 두께 방향으로 결함 위치가 제2 가상선(L2)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 양단에 배치될 수 있다. 즉, 결함이 길이 방향으로 분할된 복수 개의 영역에서 외곽부에 배치된 영역에서 결함의 개수가 중심부에 배치된 영역에서 결함의 개수보다 클 수 있다.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 헤드/테일인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 헤드/테일으로 출력하여 사용자 등에게 제공할 수 있다. 또한, 불량 검출 장치는 기계 절단시 전단 응력(Shear Stress)에 의한 헤드/테일 발생을 주의하라고 피드백하여, 헤드/테일의 발생을 감소시킬 수 있다.
도 9를 참조하면, 후판의 불량이 절단면인 경우에는 두께 방향으로 결함 위치가 제1 가상선(L1) 및 제3 가상선(L3)에 인접하게 위치함을 알 수 있다. 그리고 길이 방향으로 결함 위치가 길이 방향을 따라 소정의 폭 내에서 나란히 배치될 수 있다.
이에 따라, 실시예에 따른 불량 검출 장치는 후판이 절단면인지 여부를 용이하게 판단할 수 있으며, 불량 종류를 절단면으로 출력하여 사용자 등에게 제공할 수 있다.
도 10는 본 발명의 실시예에 따른 불량 검출 방법의 흐름도이다.
도 10을 참조하면, 본 발명의 실시예에 따른 불량 검출 방법은 불량 후판의 탐상 이미지의 특징을 추출하는 단계(S210), 판별 모델 생성하는 단계(S220), 후판의 탐상 이미지 입력하는 단계(S230), 후판의 탐상 이미지에서 결함의 위치에 대응하는 특징을 추출하는 단계(S240), 후판의 결함 종류를 판단하는 단계(S250)를 포함한다.
불량 후판의 탐상 이미지의 특징을 추출하는 단계(S210)에서는 후판의 불량 별 후판의 탐상 이미지로부터 결함의 위치를 추출할 수 있다. 이러한 내용은 상술한 판단부에서 데이터 획득부를 통해 불량 후판의 탐상 이미지를 획득하고, 제2 추출부를 통해 획득된 불량 후판의 탐상 이미지로부터 특징을 추출하는 내용이 동일하게 적용될 수 있다.
판별 모델 생성하는 단계(S220)는 불량 후판의 탐상 이미지로부터 추출된 결함을 입력 데이터로, 불량 종류를 출력 데이터로하는 인공 신경망(Atificial Neural Network)을 기반의 모델을 생성할 수 있다. 예컨대, 판별 모델은 CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델으로 구현될 수 있다. 그리고 이러한 내용은 상술한 학습부에서 수행될 수 있다.
그리고 판별 모델은 상술한 바와 같이 후판의 두께 방향으로 결함 위치에 의한 후보 불량 종류를 통해 도출하고 길이 방향으로 결함 위치를 통해 최종 불량 종류를 출력하게 구성될 수 있다.
그리고 후판의 탐상 이미지 입력하는 단계(S230)는 불량 검사를 받고자하는 피검사체에 대한 탐상 이미지를 입력할 수 있다. 이러한 내용은 상술한 입력부를 통해 수행될 수 있다.
그리고 후판의 탐상 이미지에서 결함의 위치에 대응하는 특징을 추출하는 단계(S240)는 입력부를 통해 입력된 후판의 탐상 이미지에서 결함의 위치를 입력되는 특징으로 추출할 수 있다. 보다 구체적으로, 상술한 바와 같이, 추출된 특징인 입력 데이터는 두께 방향으로 결함의 위치와 길이 방향으로 결함의 위치를 포함할 수 있다.
결함의 위치는 두께 또는 길이 방향으로 비율이 가장 큰 영역으로 설정될 수 있다. 또한, 결함은 상술하는 바와 같이 탐상 이미지에서 수신 시간차에 따라 다양한 색상으로 표시될 수 있으나, 불량 종류에 따라 설정되는 색상으로 표시될 수 있다. 예컨대, 결함은 수신 시간차가 가장 늦은 색상의 영역으로 선택될 수 있다. 또한, 입력 데이터에서 결함의 위치는 탐상 이미지의 각 픽셀의 좌표로 표시될 수 있으며, 상술한 색상은 R, G, B에 의해 선택될 수 있다.
그리고 상술한 바와 같이 두께 방향으로 결함 위치에 의해 후보 불량 종류를 도출할 수 있다. 마찬가지로 두께 방향으로 결함의 위치는 4개의 영역으로 분리하는 3개의 가상선을 기준으로 설정될 수 있다. 예컨대, 3개의 가상선은 후판의 두께를 4등분하는 제1 가상선(L1), 제2 가상선(L2), 및 제3 가상선(L3)을 포함할 수 있다(도 5 참조). 이 때, 제2 가상선(L2)은 제1 가상선(L1)과 제3 가상선(L3) 사이에 위치할 수 있다. 그리고 두께 방향으로 결함의 위치는 제1 가상선(L1) 및 제3 가상선(L3)에 인접한 경우와 제2 가상선(L2)에 인접한 경우로 분리될 수 있다.
후보 불량 종류가 출력된 이후에, 판별 모델은 최종적으로 길이 방향으로 결함 위치를 입력으로 최종 불량 종류를 출력할 수 있다. 그리고 길이 방향으로 결함의 위치는 길이 방향을 따라 소정의 폭 내에서 나란히 배치되는 경우, 길이 방향으로 양단에 배치되는 경우, 길이 방향으로 전체에 분산 배치되는 경우 및 일부 영역에만 배치되는 경우로 분리될 수 있다.
다음으로, 후판의 결함 종류를 판단하는 단계(S250)는 입력된 후판의 이미지의 특징을 입력으로 상기 학습된 인공 신경망을 기반으로 결정된 불량 종류를 판단하고, 판단된 불량 종류를 출력할 수 있다. 이러한 내용은 상술한 처리부와 출력부에 의해 수행될 수 있다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (6)
- 피검사체의 이미지가 입력되는 입력부;
상기 피검사체의 이미지를 이용하여 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제1 추출부; 및
상기 피검사체의 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 판별 모델에 입력하여 상기 피검사체의 불량을 판단하는 판단부를 포함하고,
상기 판별 모델은 상기 피검사체의 두께 방향으로 결함 위치에 의해 후보 불량 종류를 출력하고, 길이 방향으로 결함 위치에 의해 최종 불량 종류를 출력하고,
상기 판단부는,
학습 이미지를 획득하는 데이터 획득부; 및
상기 학습 이미지로부터 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 추출하는 제2 추출부;를 포함하고,
상기 제2 추출부에서 추출된 상기 두께 방향으로 결함 위치는 피검사체의 두께를 4등분하는 제1 내지 제3 가상선과 결함의 대응 위치로 분리되고,
상기 판단부는 상기 제1 내지 제3 가상선 중 적어도 하나와의 인접 위치에 따라
상기 후보 불량 종류로 편석이나 개재물로 판별하고 상기 판별된 후보 불량 종류와 상기 길이 방향으로 결함 위치를 이용하여 상기 최종 불량 종류를 출력하는 불량 검출 장치.
- 제1항에 있어서,
상기 판단부는,
상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치에 대하여 기계 학습을 통해 피검사체의 불량 종류를 판단하는 판별 모델을 생성하는 학습부; 및
상기 제1 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 상기 판별 모델에 입력하여 상기 피검사체의 최종 불량 종류를 판단하는 처리부;를 더 포함하는 불량 검출 장치.
- 삭제
- 제2항에 있어서,
상기 판별 모델은,
상기 제2 추출부로부터 추출된 두께 방향으로 결함 위치 및 길이 방향으로 결함 위치를 입력 데이터로 사용하고, 불량 종류를 출력 데이터로 사용하는 불량 검출 장치.
- 제2항에 있어서,
상기 판별 모델은 CNNs(convolutional neural networks), DNN(Deep Neural Network), RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 불량 검출 장치.
- 제1항에 있어서,
상기 피검사체는 후판이고,
상기 이미지는 탐상 이미지인 불량 검출 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180152541A KR102172361B1 (ko) | 2018-11-30 | 2018-11-30 | 불량 검출 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180152541A KR102172361B1 (ko) | 2018-11-30 | 2018-11-30 | 불량 검출 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200071819A KR20200071819A (ko) | 2020-06-22 |
| KR102172361B1 true KR102172361B1 (ko) | 2020-10-30 |
Family
ID=71142446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180152541A Active KR102172361B1 (ko) | 2018-11-30 | 2018-11-30 | 불량 검출 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102172361B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113466350A (zh) * | 2021-07-23 | 2021-10-01 | 国能新朔铁路有限责任公司 | 故障检测系统及钢轨探伤车 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000146926A (ja) * | 1998-11-13 | 2000-05-26 | Sumitomo Metal Ind Ltd | 欠陥種類弁別方法 |
| KR100711494B1 (ko) * | 2005-12-23 | 2007-04-24 | 주식회사 포스코 | 후판의 초음파 탐상 결과 패턴 분류법 |
| KR101736613B1 (ko) * | 2015-12-07 | 2017-05-17 | 주식회사 포스코 | 후판 결함 탐상 장치 및 방법 |
| JP2018506168A (ja) * | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
-
2018
- 2018-11-30 KR KR1020180152541A patent/KR102172361B1/ko active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000146926A (ja) * | 1998-11-13 | 2000-05-26 | Sumitomo Metal Ind Ltd | 欠陥種類弁別方法 |
| KR100711494B1 (ko) * | 2005-12-23 | 2007-04-24 | 주식회사 포스코 | 후판의 초음파 탐상 결과 패턴 분류법 |
| JP2018506168A (ja) * | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
| KR101736613B1 (ko) * | 2015-12-07 | 2017-05-17 | 주식회사 포스코 | 후판 결함 탐상 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200071819A (ko) | 2020-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230298327A1 (en) | Information processing device, determination method, and information processing program | |
| US9297788B2 (en) | Determination assist system of ultrasonic testing, determination assist method of ultrasonic testing, determination assist program of ultrasonic testing, and computer-readable storage medium for storing determination assist program of ultrasonic testing | |
| TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
| US10748274B2 (en) | Detecting portions of interest in images | |
| CN108876761A (zh) | 图像处理装置、电脑可读取记录媒体、图像处理系统 | |
| CN112465027B (zh) | 钢轨伤损检测方法 | |
| US20210031507A1 (en) | Identifying differences between images | |
| JP6725067B2 (ja) | 不要部分を除去するためのデジタル画像の処理 | |
| US20230221286A1 (en) | Inspection device, inspection method, and inspection program | |
| US12094098B2 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
| CN112308855A (zh) | 钢轨伤损识别模型生成装置、伤损检测装置及系统 | |
| CN114266743B (zh) | 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质 | |
| KR102172361B1 (ko) | 불량 검출 장치 및 방법 | |
| KR101689980B1 (ko) | 패턴 검사 장치 및 패턴 검사 방법 | |
| JP4131400B2 (ja) | 鋳造内部欠陥検査支援装置及び方法 | |
| Tie et al. | Intelligent detection of dynamic cracking along an interface of brittle material using high-speed photography assisted by data augmentation and machine learning | |
| CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
| TWI722861B (zh) | 分類方法及分類系統 | |
| JP7615067B2 (ja) | 超音波データ評価システム、超音波データ評価方法および判定モデル生成方法 | |
| CN114140671B (zh) | 基于多尺度融合的高分辨率芯片图像的分类方法和装置 | |
| JP4738243B2 (ja) | 超音波探傷システム | |
| JP7215108B2 (ja) | イメージ又はマトリクスデータにおける関心のある部分の検出 | |
| US12209992B2 (en) | Method and device for ultrasonic inspection of composite parts, in particular made from carbon fiber reinforced plastics, device and computer program | |
| JP7604533B2 (ja) | 欠陥検査装置、欠陥検査方法、教師データ生成方法および判定モデル生成方法 | |
| JP7142825B1 (ja) | 画像判定方法及び画像判定システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20181130 |
|
| PA0201 | Request for examination | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20200225 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20201023 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20201026 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20201027 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20231019 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20241016 Start annual number: 5 End annual number: 5 |